ВЫ не понимаете какую катастрофу несут нейросети

Понимание того, что такое искусственный интеллект, и изучение того, как его используют машинное обучение и глубокое обучение, — это ошеломляющий опыт. Мы группа инженеров-самоучек, которые прошли через этот опыт и делятся своим пониманием (через блоги) его и тем, что помогло нам на этом пути, в упрощенной форме, чтобы любой, кто плохо знаком с этой областью, мог легко начать понимать технические особенности этой технологии.

Более того, во время этой нашей миссии мы создали платформу, на которой каждый может создавать модели машинного обучения и глубокого обучения, не написав ни одной строки кода.

Нейрон (узел) — это базовая единица нейронной сети. Он получает определенное количество входных данных и значение смещения. Когда поступает сигнал (значение), он умножается на значение веса. Если нейрон имеет 4 входа, он имеет 4 значения веса, которые можно регулировать во время обучения

Операции на одном нейроне нейронной сети

Соединения — он соединяет один нейрон в одном слое с другим нейроном в другом слое или в том же слое. Соединение всегда имеет связанное с ним значение веса. Цель обучения — обновить это значение веса, чтобы уменьшить потерю (ошибку).

Смещение (смещение) — это дополнительный вход для нейронов, он всегда равен 1 и имеет собственный вес соединения. Это гарантирует, что даже когда все входы равны нулю (все 0), в нейроне произойдет активация.

Функция активации (функция передачи) — функции активации используются для введения нелинейности в нейронные сети. Он сжимает значения в меньшем диапазоне, а именно. Сигмовидная функция активации сжимает значения в диапазоне от 0 до 1. Существует множество функций активации, используемых в индустрии глубокого обучения, и ReLU, SeLU и TanH предпочтительнее сигмовидной функции активации. В этой статье я объяснил различные доступные функции активации.

Базовая схема нейронной сети

Входной слой — это первый слой в нейронной сети. Он принимает входные сигналы (значения) и передает их на следующий уровень. Он не применяет никаких операций к входным сигналам (значениям) и не имеет связанных значений весов и смещений. В нашей сети у нас есть 4 входных сигнала x1, x2, x3, x4.

Скрытые слои. Скрытые слои имеют нейроны (узлы), которые применяют различные преобразования к входным данным. Один скрытый слой представляет собой набор нейронов, сложенных вертикально (представление). На нашем изображении, приведенном ниже, у нас есть 5 скрытых слоев. В нашей сети первый скрытый слой имеет 4 нейрона (узла), 2-й — 5 нейронов, 3-й — 6 нейронов, 4-й — 4 и 5-й — 3 нейрона. Последний скрытый слой передает значения выходному слою. Все нейроны в скрытом слое связаны с каждым нейроном в следующем слое, поэтому у нас есть полностью связанные скрытые слои.

Выходной слой — этот слой является последним слоем в сети и получает входные данные от последнего скрытого слоя. С помощью этого слоя мы можем получить желаемое количество значений и в желаемом диапазоне. В этой сети у нас есть 3 нейрона в выходном слое, и он выводит y1, y2, y3.

Входная форма — это форма входной матрицы, которую мы передаем во входной слой. Входной слой нашей сети имеет 4 нейрона и ожидает 4 значения 1 выборки. Желаемая входная форма для нашей сети (1, 4, 1), если мы подаем ее по одной выборке за раз. Если мы подадим 100 сэмплов, входная форма будет (100, 4, 1). Разные библиотеки ожидают формы в разных форматах.

Веса (параметры) — веса представляют силу связи между единицами. Если вес от узла 1 к узлу 2 имеет большую величину, это означает, что нейрон 1 имеет большее влияние на нейрон 2. Вес снижает важность входного значения. Веса около нуля означают, что изменение этого входа не изменит выход. Отрицательные веса означают, что увеличение этого входа уменьшит выход. Вес определяет, какое влияние входные данные окажут на выходные.